人工智能、机器学习和深度学习的区别

转载一篇文章。

人工智能的浪潮正在席卷全球，我们经常听到人工智能（Artificial Intelligence）、机器学习(Machine Learning)、深度学习(Deep Learning)这几个词，到底他们之间是什么关系呢？ 看到网上一篇文章，觉得比较有意思。转发给大家。

人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。为了帮助大家更好地理解人工智能，这篇文章用最简单的语言解释了这些词汇的含义，理清它们之间的关系，希望对刚入门的同行有所帮助。

很多人对人工智能实际上有一个误解，就认为人工智能就是全面自动化、智能化。实际上，人工智能是一个泛概念，它包括多个研究分支，如专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等等组成。其中专家系统，就是人的经验的一种集中体现，它也是人工智能，比如利用网络犯罪逻辑开发的安全规则，用于识别网上的犯罪行为等等，这些规则组成的系统也叫专家系统，也属于人工智能的范畴。事实上，也是人工智能发展的起点。

人工智能研究分支但目前的科研工作都集中在弱人工智能这部分，并很有希望在近期取得重大突破，电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现（通常将人工智能分为弱人工智能和强人工智能，前者让机器具备观察和感知的能力，可以做到一定程度的理解和推理，而强人工智能让机器获得自适应能力，解决一些之前没有遇到过的问题）。弱人工智能有希望取得突破，是如何实现的，“智能”又从何而来呢？这主要归功于一种实现人工智能的方法——机器学习。

机器学习：一种实现人工智能的方法机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。举个简单的例子，当我们浏览网上商城时，经常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单，识别出这其中哪些是你真正感兴趣，并且愿意购买的产品。这样的决策模型，可以帮助商城为客户提供建议并鼓励产品消费。机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。

深度学习：一种实现机器学习的技术深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。

**三者的区别和联系：*****机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。***我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系。

业界有一种错误的较为普遍的意识：即算法约高级，人工智能越厉害；深度学习比机器学习厉害，这都是玩概念。认为深度学习最终可能会淘汰掉其他所有机器学习算法。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。

***深度学习，***作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；
2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法；
3. 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。

深度学习大佬 Yoshua Bengio 在 Quora 上回答一个类似的问题时，有一段话讲得特别好，这里引用一下，以回答上述问题：Science is NOT a battle, it is a collaboration. We all build on each other’s ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!这段话的大致意思是，科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。机器学习的研究也是一样，你死我活那是邪教，开放包容才是正道。结合机器学习2000年以来的发展，再来看Bengio的这段话，深有感触。进入21世纪，纵观机器学习发展历程，研究热点可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢？深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。但最终机器学习的下一个热点是什么，谁又能说得准呢。

思考：在网络安全领域，如何借力人工智能技术，一直是行业专家所思考的问题。有一种广泛的认知就是认为在网络安全领域，人工智能的价值似乎有限。之所以这样认为，主要是目前传统网络安全所涉及的数据还不是很多，而且传统网络安全主要是解决访问控制问题。这种情况将在云时代的到来将会有很大的改观。毫无疑问人工智能技术将大大加强网络安全的识别能力，检测能力，帮助分析海量数据的网络安全威胁，识别异常的安全接入点，用户行为的异常分析，代码安全的分析和检测等等。 随着软件定义，数据驱动，万物互联时代的到来，人工智能技术的利用将会更加普及。

本文转载下述作者的文章，并增加一点自己的看法和思考。
https://www.zhihu.com/question/57770020/answer/249708509 作者：育心
来源：知乎